/ Модель

Характеристики

Лицензия
Llama 2
Опубликована
4 июл 2024

Tarsier-7b

Генерация текстаТекст → текст3 профессии

Tarsier-7b — видеоязыковая модель для создания описаний видео и ответов на вопросы о его содержимом.

81скачиваний за 30 дней25лайковвеса обновлены5 июл 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Tarsier-7b — открытая видеоязыковая модель семейства Tarsier, разработанная для описания видео и общего понимания видеосодержимого. Она основана на языковой модели liuhaotian/llava-v1.6-vicuna-7b и предназначена прежде всего для исследователей и энтузиастов компьютерного зрения, обработки естественного языка и машинного обучения.

Модель обучалась в июне 2024 года в два этапа: многофункциональное предварительное обучение на 13 млн примеров и настройка по инструкциям с разной степенью детализации на 500 тыс. примеров. При обучении замораживался ViT, а обучались проекционный слой и языковая модель. Модель оценивается на наборах для описания видео и видеоответов на вопросы, включая DREAM-1K, MVBench и MSVD-QA.

Tarsier-7b принимает видеоданные и формирует текстовые описания или ответы о содержимом видео. Карточка позиционирует её для исследований и экспериментов; результаты Tarsier-34b не следует автоматически переносить на версию 7b. Лицензия — Llama 2; веса доступны в формате safetensors.

Сценарии применения

  • создание текстового описания видеоролика
  • ответы на вопросы о событиях в видео
  • видео-ориентированный визуальный вопросно-ответный диалог
  • оценка моделей понимания видео на исследовательских наборах

Ограничения

Карточка описывает модель прежде всего как исследовательскую; качество конкретно версии 7b отдельно не охарактеризовано приведёнными результатами для Tarsier-34b. В метаданных и README не указаны поддерживаемые языки и длина контекста.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Tarsier Model Card

Model details

Model type: Tarsier-7b is one of the Tarsier family -- an open-source large-scale video-language models, which is designed to generate high-quality video descriptions, together with good capability of general video understanding (Tarsier-34b gains SOTA results on 6 open benchmarks). Base LLM: liuhaotian/llava-v1.6-vicuna-7b

Model date: Tarsier-7b was trained in June 2024.

Paper or resources for more information:

License

lmsys/vicuna-7b-v1.5 license.

Where to send questions or comments about the model: https://github.com/bytedance/tarsier/issues

Intended use

Primary intended uses: The primary use of Tarsier is research on large multimodal models, especially video description.

Primary intended users: The primary intended users of the model are researchers and hobbyists in computer vision, natural language processing, machine learning, and artificial intelligence.

Training dataset

Tarsier tasks a two-stage training strategy.

  • Stage-1: Multi-task Pre-training on 13M data
  • Stage-2: Multi-grained Instruction Tuning on 500K data

In both stages, we freeze ViT and train all the parameters of projection layer and LLM.

Evaluation dataset

How to Use

see https://github.com/bytedance/tarsier?tab=readme-ov-file#usage

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
b672c01

0 моделей